基于貝葉斯網絡醫學檢驗儀器故障診斷模型構建方法的研究

張喜紅，王玉香

(亳州職業技術學院 智能工程系，安徽 亳州 236800)

0 引 言

醫學檢驗儀器是運用計算機、傳感器、機械自動化、材料學等多種技術，實現醫學檢驗實驗自動化的一類設備，大多具有技術先進、結構復雜、自動化水平較高的共同特征.近年來，隨著電子技術制造工藝微型化、大規模集成化的發展，醫學檢驗儀器的集成化程度越來越高，國內外生產制造商為了實現供應、維修的全程壟斷，大多在出售儀器后不會為客戶提供詳實的原理圖及維修技術資料[1].上述原因導致醫院設備科維修工程師只能做一些簡單的日常維護工作，設備一旦發生故障，只能等廠家售后工程師來處理.然而，由于廠家售后工程師緊缺，且遠水不解近渴的實際情況，致使維修效率極其低下.針對醫學檢驗儀器研制一套故障診斷系統，協助醫院設備科維修工程師進故障診斷，提升維修效率，已成為急待解決的問題[2].

貝葉斯網絡是一種概率推理算法，能夠在數據缺失和不完備的情況下，實現因果關系的推理及不確定關系的精準表達.基于貝葉斯網絡構建的故障診斷系統，對結構復雜的設備產生的多態性、不確定性故障而言，具有較好魯棒性[3].目前，基于貝葉斯網絡構建故障診斷系統的方法主要有兩種，一種是基于信息融合與貝葉斯網絡相結合，另一種是基于故障樹與貝葉斯網絡相結合[4].基于信息融合的貝葉斯網絡故障診斷系統，是以設備運行過程中采集到的正、異常狀態指標為訓練樣本數據，通過貝葉斯網絡推理算法訓練建模的一種方法，其適合應用于內置了大量傳感器，可實時監控采集工作狀態數據的設備，如汽車、飛機的動力系統.基于故障樹的貝葉斯網絡故障診斷系統，是在深層次剖析設備組成部件連接關系的基礎上，采用邏輯門符號構建故障因果關系圖，再轉化為貝葉斯網絡結構的一種方法，具有因果關系直觀明了的優點，但要求分析人員對設備的組成結構及工作原理相當熟悉.

鑒于醫療設備大多類似于黑箱系統，結構復雜，技術資料保密，難于通過深層次剖析設備組成結構，構建故障樹模型.同時，又無法像汽車、飛機動力系統一樣，事先內置了大量傳感器，在不增加硬件的情況下，易于采集到設備正、異常狀態的指標數據.鑒于上述原因，為了克服剖析內部結構和采集工作狀態數據的困難，本文提出了一種基于維修日志與貝葉斯網絡相結合，構建故障診斷系統的方法.下面以優利特500B尿液分析儀為例，詳細介紹運用Pgmpy工具包構建網絡結構，及基于維修日志進行網絡參數學習的具體過程.

1 貝葉斯網絡故障診斷理論

貝葉斯網絡是一種用條件概率表與有向無環圖相結合定性、定量表示事物或事件節點變量間因果關系的概率圖模型.由節點和帶箭頭線條組成的有向無環圖用于定性表示，條件概率表用于描述變量間關聯程度的定量描述，與箭頭線條起點相連節點為因，與終端節點相連的節點是果，二者間的因果關聯程度由條件概率表描述.在有向無環圖中把沒有任何箭頭線條導入的節點稱之為父節點，有箭頭線條導入的節點稱之為子節點，既有導入又有導出的子節點稱為中間節點.假設某一事件或事物在描述的過程中包含變量集U={X1,X2,…,Xn}，則基于貝葉斯網絡理論對其進行建模，主要包括兩方面的內容：其一是依據因果聯系確立X1,X2,…,Xn節點變量間的連接指向關系，構建有向無環圖；其二是獲得能夠計算如式（1）所示聯合概率的各節點的條件概率表，式（1）中Yi為Xi的父節點集合，若Xi節點沒有任何父節點，其條件概率可用其先驗概率表示.

運用貝葉斯網絡模型尋求或解釋事物事件發生的原因，或預測事件發生的可能性大小，進而解決實際問題的過程稱之為貝葉斯推理.貝葉斯推理可歸納為3種類型：其一是沿有向邊，順箭頭方向的推理，即因果推理；其二是逆箭頭方向的求因推理，即逆向推理；其三是各節點的交叉因果推理[5-6].對于故障診斷系統而言，便是基于故障現象尋找故障發生位置的逆向推理，即通過式（2）觀察到的故障現象證據，計算各原因節點的后驗概率，進而實現故障位置的快速定位，式(2)中Z為故障原因節點的集合，e為觀察到的故障現象節點集合.

2 故障診斷模型的構建

2.1 網絡結構的構建

構建網絡結構即繪制有向無環圖，是貝葉斯網絡建模的首要任務.其主要內容是完成各節點變量因果關系的定性表達，其合理與否將對模型后期的推理性能，可解釋性起到決定性的作用.基于故障樹的貝葉斯網絡建模是設備故障診斷系統建模的常用方法之一，其具體的做法是：首先從原理上剖析各部件間的因果關系，并用邏輯門符號構建故障因果關系圖，得到因果關系圖后，再用有向邊取代關系圖中對應的邏輯門符號，將其轉化為貝葉斯網絡結構.此種方法，要求設計者對設備的結構及原理相當熟悉[7].

鑒于醫療設備技術原理資料不公開的情況，難于使用故障樹分解的方法構建模型結構.為了克服剖析復雜內部結構的難題，本文提出了一種基于維修日志數據構建網絡結構的方法.以優利特500B尿液分析儀為例，具體的步驟如下：

（1）整理、提煉故障征兆集標準術語詞匯集.首先依據廠家說明書中提供的常見故障案例文本，分別對故障現象字段與對應的解決方法字段文本，進行標準術語的部件名詞和取值狀態術語提取，并對部件名詞與取值狀態進行標識編碼.以優利特500B尿液分析儀為例，共整理出20個故障征兆集高頻詞匯，各節點的含義及取值狀態如表1所示.

（2）維修日志數據的規范化整理.由于原始維修數據的描述存在部件別名、狀態近義詞表達等不規范的描述，且為非數字代碼標識形式，需對其進規范化整理.具體的做法是：通過人工審閱的方法，對每一條原始維修日志記錄，以表1所示的20個節點名稱，作為一條日志記錄的20個特征項，若此節點名稱在此條日志記錄中沒有出現，就賦值0，表示正常；若出現，就賦值為同含義的狀態取值.最終得到如圖2所示格式的訓練數據697條.

表1 節點含義及狀態取值表

（3）對步驟2得到的20項特征數據集，進行關聯關系分析，分別計算各特征項組合的支持度與置信度，找出置信度等于1時的組合項，即找出當某項特征發生時，另一項必然發生的組合情況.以此初步確立20個節點名稱間的因果關系，并繪制初步的貝葉斯網絡有向無環圖.接著在行業專家的指導下，修正明顯無因果關系的有向邊連接，如A8(暫停鍵狀態)按下時與A9（紅外檢測模塊）失靈時，都會引起B2(試紙撥桿狀態)放入試紙不移動的情況.雖然A8對A9的置信度為1，但兩者間確無因果關系，需手工剔除有向邊連接.最終確立的網絡結構如圖1所示.

圖1 貝葉斯網絡結構圖

2.2 網絡參數的學習與實現

網絡結構僅能表達節點變量間的依賴關系，無法表述相互間的作用程度，若想定量表示節點間的依賴程度，還需為各節點變量添加條件概率表，即指定網絡參數[8].條件概率表的獲得，可通過專家經驗估計給出或通過數據學習獲得.通過專家經驗指定網絡參數的確立的模型，其性能對專家的經驗依賴較強.對于網絡結構已確定，數據具備的情況，采用數據學習獲得的條件概率表參數更為準確.

鑒于本項目已具有經規范整理的維修日志數據，因此，采用數據學習法來獲得網絡參數.基于數據進行參數估計的常見算法有極大似然估計與貝葉斯參數估計兩種，極大似然估計適合于樣本數量均勻分布，且數量充足的情況，否則易出現過擬合.貝葉斯參數估計算法是一種通過觀察數據修正先驗看法的參數學習方法，在觀察數據的數量不足與分布不均的情況下，也能得到相對較好的模型[9].鑒于本項目維修日志數據僅有圖2所示的697條，屬小樣本量.因此，選用貝葉斯參數估計算法來進行參數估計.

圖2 參數訓練數據片斷

為了方便模型后期部署到Flask Web框架下運行，參數的學習采用Python語言開發的Pgmpy工具包來實現.具體的流程是：

（1）加載參數估計訓練數據集；代碼如下：

#加載pandas數據處理工具包

import pandas as pd

#讀取維修日志訓練數據

train=pd.read_csv( './JYtrain2.csv',encoding='utf-8')

（2）使用Pgmpy工具包的BayesianModel（）方法創建模型的有向無環圖，創建的有向無環圖如圖1所示.代碼如下：

#加載貝葉斯模型結構創建工具包

from pgmpy.models import BayesianModel

#創建模型結構

model=BayesianModel([('A1','B1'),('A2','B1'),('A3','B1'),('A4','B1'),('A8','B2'),('A9','B2'),('A10','B2'),('A5','B2'),('A11','B2'),('A6','B3'),('A12','B3'),('A7','B3'),('A13','B3'),('B1','C'),('B3','C'),('A5','C'),('B2','C'),('A14','C'),('A15','C'),('A16','C')])

（3）使用Pgmpy工具包的model.fit（）方法進行參數學習.具體代碼如下，其中train為訓練數據，estimator參數指定為貝葉斯參數估計.代碼為：

#導入貝葉斯參數學習方法

from pgmpy.estimators import Bayesian-Estimator

#利用維修日志數據進行參數學習

model.fit(train,estimator=BayesianEstimator,prior_type=''BDeu'')

（4）使用Pgmpy工具包的model.get_cpds()查看模型概率表.代碼如下：

#查看并打印顯示各節點的條件概率表

for cpd in model.get_cpds():

print(cpd)

3 模型的推理測試

故障診斷系統的意義就在于當故障發生時，能向維修人員提供最佳的排錯流程，協助維修人員在較短的時間內找出故障點的位置.貝葉斯網絡故障診斷模型可通過求解觀察證據條件下各節點后驗概率的排序來實現[10].在Pgmpy工具包中可通過VariableElimination模塊中的query()方法，求解證據條件下各節點的后驗概率.

下面以優利特500B尿液分析儀出現“放入試紙后撥桿不能移動”的故障為例進行推理說明，由圖1、表1可知，此時已知的證據條件為B2=1（對應放入試紙后撥桿不能移動），B2的父節點集為：A5、A8、A9、A10，A11，因此，故障推理就是在B2=1的條件下，求解A5、A8、A9、A10，A11節點的最大概率組合.具休實現代碼如下：

#導入推理工具包

from pgmpy.inference import Variable-Elimination

model_infer=VariableElimination(model)

#求解evidence證據條件下，variables的概率

q=model_infer.query(variables=['A5','A8','A9','A10','A11'],evidence={'B2': 1})

#打印概率表

print(q)

推理結果如圖3所示，對照表1可知，當此類故障發生時，應首先排查組合概率排名第一的組合，即組合概率為0.4370的組合項，此項組合中顯示由A9=1引起，A9對應于紅外檢測模塊，即應先檢查紅外檢測模塊是否工作正常.若正常，再排查組合排名第二的組合，即組合概率為0.3502組合項，同理可知，此時將故障原因定位到A8，對應于由暫停鍵按下所引起.若仍未解決，按組合項概率排名次序依次排查.按上述方法進行多種證據條件下的推理實驗，除上述推理實驗外，其它推理實驗結果，經維修工程師驗證，均與實際相符，且具有較好的解釋性.

圖3 “放入試紙后撥桿不能移動”推理結果

4 結論及展望

本文針對醫學檢驗儀器的故障診斷領域，以優利特500B尿液分析儀為例，基于維修日志數據和貝葉斯網絡，提出了一種構建故障診斷系統的方法，在全面分析歷史維修數據及廠家說明書的基礎上，提煉故障征兆集標準術語詞匯集，并分析它們之間的關聯關系、因果關系，最終確立以故障征兆集詞匯集為節點變量的貝葉斯網絡有向無環圖模型，并使用Python語言開發的Pgmpy貝葉斯網絡工具包，完成了從歷史維修日志數據中學習條件概率參數，及推理應用驗證的全過程，經實際推理測試實驗結果證實，所構建的故障診斷模型推理結果可靠，能用于指導實際，為醫學檢驗儀器的故障診斷系統構建提供參考案例.但采用人工方式整理訓練數據耗時耗力，后期的研究中擬運用人工智能領域自然語言處理的相關技術，改進歷史維修數據的整理方式，使其更加方便實施.